CN112232294A - 一种超参数优化、目标识别模型训练、目标识别方法及装置 - Google Patents
一种超参数优化、目标识别模型训练、目标识别方法及装置 Download PDFInfo
- Publication number
- CN112232294A CN112232294A CN202011238928.5A CN202011238928A CN112232294A CN 112232294 A CN112232294 A CN 112232294A CN 202011238928 A CN202011238928 A CN 202011238928A CN 112232294 A CN112232294 A CN 112232294A
- Authority
- CN
- China
- Prior art keywords
- hyper
- target recognition
- parameters
- preset condition
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种超参数优化、目标识别模型训练、目标识别方法及装置,可以通过使用训练图像集对目标识别模型进行超参数探索以及使用验证图像集确定目标识别模型的性能,根据性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,修改性能满足第二预设条件的目标识别模型所使用的超参数,以及根据性能满足第一预设条件的目标识别模型的模型参数,修改性能满足第二预设条件的目标识别模型的模型参数,使得满足第二预设条件的目标识别模型可以使用在满足第一预设条件的目标识别模型的超参数和模型参数下继续进行超参数探索,进而获得满足预设要求的超参数。
Description
技术领域
本发明涉及超参数探索技术领域,尤其涉及一种超参数优化、目标识别模型训练、目标识别方法及装置。
背景技术
目标识别在人工智能领域是一个重要的研究和应用方向。随着目标识别技术的不断发展,当前目标识别技术已经广泛应用在人脸识别、物体识别等应用领域中。随着目标识别技术在各种应用领域的不断深入,在许多应用领域的一些应用场景上,对目标识别技术实现的目标识别效果有着更高的要求。
当前,目标识别模型的目标识别效果依赖于对该目标识别模型进行训练前设置的超参数。使用优秀的超参数对目标识别模型进行训练,可以获得性能更高、效果更好的目标识别模型,进而更准确的识别目标。因此,如何探索出满足预设要求的超参数,成为相关技术人员首先需要解决的技术问题。
发明内容
鉴于上述问题,本发明提供一种克服上述问题或者至少部分地解决上述问题的一种超参数优化、目标识别模型训练、目标识别方法及装置,技术方案如下:
一种超参数优化方法,包括:
基于训练图像集对多个目标识别模型的至少部分超参数进行探索,并基于验证图像集确定使用所述超参数的所述多个目标识别模型的性能,其中,所述超参数包括抠取目标的图像的抠取区域的区域参数;
确定性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,其中,所述性能满足第一预设条件的目标识别模型的性能高于所述性能满足第二预设条件的目标识别模型的性能;
根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数;
基于性能满足所述第一预设条件的目标识别模型的模型参数,修改性能满足所述第二预设条件的目标识别模型的模型参数;
继续基于所述训练图像集对各所述目标识别模型的超参数进行探索,直至得到满足预设要求的超参数。
可选的,所述根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数,包括:
将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数;
或,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
可选的,所述将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数,包括:
当所述区域交集位于所述超参数的参数探索范围内时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数;
或,当所述区域交集位于所述超参数的参数探索范围内且所述区域交集满足抠取区域的形状要求时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数。
可选的,所述确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数,包括:
在性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域中,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
可选的,所述训练图像集中的图像和所述验证图像集中的图像均为通过预设图像矫正参数矫正过的图像。
可选的,所述区域参数为从所述矫正过的图像中所述抠取目标的图像的抠取框的位置参数和尺寸参数。
可选的,所述方法还包括:
基于性能满足第三预设条件的目标识别模型的超参数,修改性能满足第四预设条件的目标识别模型的超参数,其中,所述性能满足第三预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能;
基于性能满足所述第三预设条件的目标识别模型的模型参数,修改性能满足所述第四预设条件的目标识别模型的模型参数。
可选的,所述性能满足第二预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能。
一种目标识别模型训练方法,包括:
基于训练图像集对目标识别模型进行训练,其中,所述目标识别模型的超参数为上述任一种超参数优化方法确定的满足预设要求的超参数。
一种目标识别方法,包括:
将待识别图像输入使用上述目标识别模型训练方法训练得到的所述目标识别模型中,获得所述目标识别模型输出的识别结果。
一种超参数优化装置,包括:
探索单元,用于基于训练图像集对多个目标识别模型的至少部分超参数进行探索,并基于验证图像集确定使用所述超参数的所述多个目标识别模型的性能,其中,所述超参数包括抠取目标的图像的抠取区域的区域参数;
交集确定单元,用于确定性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,其中,所述性能满足第一预设条件的目标识别模型的性能高于所述性能满足第二预设条件的目标识别模型的性能;
超参数修改单元,用于根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数;
模型参数修改单元,用于基于性能满足所述第一预设条件的目标识别模型的模型参数,修改性能满足所述第二预设条件的目标识别模型的模型参数;
探索控制单元,用于控制所述探索单元继续基于所述训练图像集对各所述目标识别模型的超参数进行探索,直至得到满足预设要求的超参数。
借由上述技术方案,本发明提供的一种超参数优化、目标识别模型训练、目标识别方法及装置,可以通过使用训练图像集对目标识别模型进行超参数探索以及使用验证图像集确定目标识别模型的性能,根据性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,修改性能满足第二预设条件的目标识别模型所使用的超参数,以及根据性能满足第一预设条件的目标识别模型的模型参数,修改性能满足第二预设条件的目标识别模型的模型参数,使得满足第二预设条件的目标识别模型可以使用在满足第一预设条件的目标识别模型的超参数和模型参数下继续进行超参数探索,进而获得满足预设要求的超参数。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种超参数优化方法的流程示意图;
图2示出了本发明实施例提供的区域交集的说明示意图;
图3示出了本发明实施例提供的另一种超参数优化方法的流程示意图;
图4示出了本发明实施例提供的另一种超参数优化方法的流程示意图;
图5示出了本发明实施例提供的另一种超参数优化方法的流程示意图;
图6示出了本发明实施例提供的另一种超参数优化方法的流程示意图;
图7示出了本发明实施例提供的另一种超参数优化方法的流程示意图;
图8示出了本发明实施例提供的另一种超参数优化方法的流程示意图;
图9示出了本发明实施例提供的一种超参数优化装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明实施例提供的一种超参数优化方法,可以包括:
S100、基于训练图像集对多个目标识别模型的至少部分超参数进行探索,并基于验证图像集确定使用所述超参数的多个目标识别模型的性能,其中,所述超参数包括抠取目标的图像的抠取区域的区域参数。
本发明实施例可以获得至少一个目标的多个图像,将该至少一个目标的多个图像划分为训练图像集和验证图像集。
可选的,根据目标对象的不同,目标识别模型可以是人脸识别模型,也可以是物品识别模型。
超参数是目标识别模型开始机器学习之前设置值的参数。超参数可以是目标识别模型外部的配置变量。可以理解的是,对于目标识别模型而言,其对目标的识别准确率受到抠取区域的影响,抠取区域的位置、大小都会影响对目标的识别准确率。因此有必要对抠取区域的区域参数进行探索,以得到较好甚至最优的抠取区域的区域参数,从而有效提高对目标的识别准确率。
可以理解的是,除抠取区域的区域参数外,超参数还可以包括多种其他参数,这些其他参数有的也可以进行探索,有的无需进行探索。
可选的,训练图像集中的图像和验证图像集中的图像可以均为通过预设图像矫正参数矫正过的图像。其中,预设图像矫正参数可以为预设基础矫正模板对应的矫正参数。预设基础矫正模板可以由目标关键点组合Ri和抠取框组成。对于所要识别的目标而言,其图像上一般会存在多个具有一定图像特征的点,可以通过识别这些点来识别目标。例如:当目标为人脸时,人脸的图像中存在多个图像特征明显的点,这些点就可以作为人脸关键点。具体的,人脸关键点组合可以包括:左眼中心点、右眼中心点、鼻子顶点、左嘴角、右嘴角等。可选的,人脸关键点组合中包括的关键点的个数和种类可以不同,例如:可以包括5个、25个或更多关键点。
预设图像矫正参数可以包括:目标关键点组合Ri的坐标、抠取框的位置参数以及抠取框的尺寸参数。可以理解的是,根据预设图像矫正参数,既可以确定目标关键点组合的相对位置,也可以确定抠取框与目标关键点组合的相对位置。在实际应用中,本发明可以将抠取框的左上角确定为原点(0,0)。当抠取框为矩形时,可以根据抠取框的左上角以及右下角的坐标确定抠取框的位置以及尺寸。可选的,当本发明的目标识别模型所要识别的目标为人脸时,抠取框可以为正方形,则抠取框可以表示为:[0,0,wb,wb]。其中,“0,0”代表抠取框的左上角的坐标,“wb,wb”代表抠取框的右下角的坐标。
可选的,使用预设基础矫正模板对应的预设图像矫正参数对图像的矫正过程可以包括:
在图像中识别预设基础矫正模板所包括的目标关键点组合;
根据预设图像矫正参数包括的目标关键点组合Ri的坐标,对图像进行矫正,以使识别到的目标关键点组合中各关键点的相对位置与预设基础矫正模板所包括的目标关键点组合中各关键点的相对位置一致;
根据预设图像矫正参数包括的抠取框的位置参数以及抠取框的尺寸参数,在进行调整后的图像中确定抠取框的位置,并对确定位置的抠取框内的图像进行抠取。
可选的,上述对图像进行调整的具体方式可以包括:旋转、拉伸、等比例放大或缩小、移动等多种调整方式中的一种或多种。
在实际应用中,预设图像矫正参数中抠取框的尺寸不低于预设尺寸,例如:抠取框为正方形时,抠取框的边长不低于预设长度。通过一个比较大的抠取框,可以将目标的更多的图像内容抠取,从而利于后续对抠取区域的区域参数的探索。即:通过在一个较大的抠取框抠取到的图像中探索在该图像中进一步抠取的抠取框的尺寸和参数。本发明可以对使用预设图像矫正参数矫正过的图像进行抠取区域的区域参数的探索。
通过上述图像矫正,可以降低或消除欧拉角(Euler angles)中的翻滚角(roll)对图像中目标的展示角度的影响,将图像中的目标的展示角度调整得更加规范。本发明实施例通过预设图像矫正参数对图像矫正后,获得训练图像集和验证图像集,本发明可以仅对抠取目标的图像的抠取区域的区域参数进行探索,而无需再对训练图像集和验证图像集中的图像根据不同的矫正模板进行反复矫正,可以简化超参数的探索和优化过程。
可选的,训练图像集中的图像和验证图像集中的图像可以为未通过预设图像矫正参数矫正过的原始图像。例如:训练图像集中的图像和验证图像集中的图像为图像采集装置采集的原始图像。其中,图像采集装置可以为摄像头等。此时,超参数还可以包括目标关键点组合中各关键点的相对位置。本发明在进行超参数探索时,可以对抠取区域的区域参数进行探索,而对目标关键点组合中各关键点的相对位置关系则不进行探索。
本发明可以在图像中识别超参数所包括的目标关键点组合,根据超参数中包括的目标关键点组合中各关键点的相对位置对图像进行调整,以使识别到的目标关键点组合中各关键点的相对位置与超参数所包括的目标关键点组合中各关键点的相对位置一致。然后,本发明即可基于进行调整后的图像进行抠取区域的区域参数的探索。
本领域技术人员知悉的是,超参数探索又称为超参数调优或超参数优化,它是一种通过不断调整当前超参数并验证当前超参数下的处理结果的准确度,从而得到满足要求的超参数的方法。超参数探索是一个循环迭代的过程,其包含了多个“超参数调整、超参数验证”的过程。
本发明在进行超参数探索时,可以预先设定超参数探索的范围,以防止其在无限范围内探索。例如:当目标为人脸时,由于人脸的尺寸有限,因此抠取框的大小是在一定范围内的。本发明可以通过设定抠取框的尺寸的探索范围来约束探索过程。本发明在进行超参数探索时,还可以设定超参数探索的粒度。由于超参数本身有可能是连续的数值(例如尺寸),因此在探索时需要设定每次探索时超参数变化的最小粒度,例如:抠取框的边长每次变化最少为5个像素。通过设定超参数探索的粒度,可以灵活设定探索速度和精度。探索时使用的最小粒度越小,则探索速度越慢同时精度越高,相应的,探索时使用的最小粒度越大,则探索速度越快同时精度越低。
本发明实施例中的目标识别模型可以是遗传算法、卷积神经网络算法、随机森林算法以及其他可用于实现目标识别功能的算法中一种或多种算法结合的模型。
需要注意的是,当目标识别模型所使用的算法不同时,除抠取区域的区域参数外,超参数所包括的其他参数的参数类型可以不同。例如:当目标识别模型所使用算法包括卷积神经网络算法时,超参数还可以包括学习率、深层神经网络隐藏层数等。当目标识别模型所使用算法包括随机森林算法时,超参数还可以包括树的数量和/或树的深度等。
本发明实施例提供对目标识别模型的超参数进行探索的过程包括:在该目标识别模型的当前模型参数以及当前超参数的条件下,添加随机扰动因子,在对训练图像集进行学习的过程中逐渐探索出在该目标识别模型的模型参数下最优超参数。需要注意的是,当前超参数在随机扰动因子的作用下会发生变化,目标识别模型会基于变化后的当前超参数对训练图像集进行学习并通过验证图像集验证该变化后的当前超参数。在通过验证图像集验证该变化后的当前超参数后,本申请可以继续为当前超参数添加随机扰动因子并继续对训练图像集进行学习,以探索和验证更多的超参数。
可选的,本发明实施例中该多个目标识别模型的初始超参数可以相同,由于随机扰动因子,探索后的该多个目标识别模型的最优超参数可以不相同。
在通常情况下,本发明实施例可以基于训练图像集同时对8个以上目标识别模型进行训练以探索超参数。
由于本发明同时对多个目标识别模型进行训练以并行探索超参数,因此一方面通过并行探索可以有效提高超参数的探索速度,另一方面,当通过验证图像集发现某目标识别模型探索的超参数较差时,无需继续基于较差的超参数探索下去。本发明可以让该目标识别模型借鉴其他目标识别模型探索到的较好的超参数,从而可以基于较好的超参数探索下去,进一步提高了超参数探索速度。
在本发明实施例中,抠取目标可以是人脸,也可以是物品。本发明实施例主要应用的抠取目标为人脸。抠取区域可以为在抠取目标的图像上的抠取范围。在通常情况下,抠取区域一般包括人脸的额头、五官、下巴以及头发中的一种或多种。可选的,预设图像矫正参数包括的抠取框的位置参数以及抠取框的尺寸参数可以使得抠取框可以将人脸的全部区域抠取。
可选的,区域参数可以包括从矫正过的图像中抠取目标的图像的抠取框的位置参数和尺寸参数。其中,位置参数可以包括垂直位移参数和/或水平位移参数。位置参数可以反映抠取框在抠取目标的图像中的位置关系。尺寸参数可以反映抠取框所抠取范围的大小。其中,抠取框的位置参数可以为抠取框中的某个点的坐标,例如:抠取框的中心点的坐标。抠取框的尺寸参数可以为抠取框的长度和宽度,当抠取框为正方形时,抠取框的尺寸参数可以为抠取框的边长。
S200、确定性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,其中,所述性能满足第一预设条件的目标识别模型的性能高于所述性能满足第二预设条件的目标识别模型的性能。
具体的,本发明实施例可以对基于验证图像集确定使用所述超参数的多个目标识别模型的性能的由高至低进行排序。目标识别模型的性能可以具体为识别准确率。例如:将验证图像集输入目标识别模型,确定目标识别模型识别验证图像集中各图像的识别准确率。假设验证图像集包括100副包含人脸的图像,其中80副图像包括的人脸为张三的人脸,20副图像包括的人脸为李四的人脸。将这100副图像输入目标识别模型,目标识别模型将上述包括的人脸为张三的人脸的80副图像中的75副识别为张三,剩余五副图像识别为其他人,目标识别模型将上述包括的人脸为李四的人脸的20副图像全部识别为李四,则本次通过验证图像集确定的该目标识别模型的识别准确率为95%。本发明可以使用同样的或不同的验证图像集确定多个目标识别模型的性能。
可选的,第一预设条件可以为性能在多个目标识别模型的性能排序中位于预设第一序位之前。优选的,预设第一序位可以为第3。
可选的,本发明实施例可以在性能满足第一预设条件的多个目标识别模型中确定排序最高的两个以上的目标识别模型所使用的超参数对应的抠取区域的区域交集。优选的,本发明实施例可以在性能满足第一预设条件的多个目标识别模型中确定排序最高的两个目标识别模型所使用的超参数对应的抠取区域的区域交集。
可选的,本发明实施例可以在性能满足第一预设条件的多个目标识别模型中随机确定两个以上的目标识别模型所使用的超参数对应的抠取区域的区域交集。优选的,本发明实施例可以在性能满足第一预设条件的多个目标识别模型中随机确定两个目标识别模型所使用的超参数对应的抠取区域的区域交集。
可以理解的是,第一预设条件也可以为性能大于预设第一性能阈值。本发明实施例可以确定性能不小于该预设第一性能阈值的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集。在本发明实施例中,性能满足第一预设条件的目标识别模型可以认为是优秀的目标识别模型。
为了便于直观理解区域交集,此处结合图2进行示意性说明:图2中虚线方框001和虚线方框002分别为两个目标识别模型所使用的超参数对应的抠取区域,其中,实线方框003的阴影部分(斜划线部分)即为两个抠取区域的区域交集。
S300、根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数。
可选的,第二预设条件可以为性能在多个目标识别模型的性能排序中位于预设第一序位以下。
可选的,第二预设条件可以为性能在多个目标识别模型的性能排序中位于预设第一序位至预设第二序位以内。优选的,预设第一序位可以为第3,预设第二序位可以为倒数第2。本发明实施例可以根据区域交集修改性能在多个目标识别模型的性能排序中位于预设第一序位至预设第二序位以内的目标识别模型所使用的超参数。可以理解的是,本发明实施例中的预设第一序位和预设第二序位可以根据实际需求进行设置。
可以理解的是,第二预设条件也可以为性能处于预设第一性能阈值和预设第二性能阈值以内。本发明实施例可以根据区域交集修改性能处于预设第一性能阈值和预设第二性能阈值以内的目标识别模型所使用的超参数。可以理解的是,本发明实施例中的预设第一性能阈值和预设第二性能阈值可以根据实际需求进行设置。在本发明实施例中,性能满足第二预设条件的目标识别模型可以认为是次差的目标识别模型。
可选的,基于图1所示的方法,如图3所示,本发明实施例提供的另一种超参数优化方法,步骤S300可以包括:
S310、将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数。
可以理解的是,满足第二预设条件的目标识别模型相对于满足第一预设条件的目标识别模型的性能更差,因此,本发明实施例通过将性能更好的至少两个的目标识别模型所使用的超参数对应的抠取区域的区域交集对应的优秀超参数,替换满足第二预设条件的目标识别模型所使用的超参数,使得后续可以在该满足第二预设条件的目标识别模型中使用该优秀超参数进行超参数探索。
可选的,基于图3所示的方法,如图4所示,本发明实施例提供的另一种超参数优化方法,步骤S310可以包括:
S311、当所述区域交集位于所述超参数的参数探索范围内时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数。
本发明实施例可以预先设置超参数的参数探索范围。参数探索范围可以是根据探索粒度、参数上限和参数下限设定的探索参数的取值数组。例如:对于超参数中的抠取框的位置参数中的垂直位移,当探索粒度为8、参数上限为96以及参数下限为-96时,则垂直位移的参数探索范围为:[-96,-88,-80,......,0,8,16,24,......,96]。与垂直位移相似,本发明还可以设定超参数中的抠取框的位置参数中的水平位移的参数探索范围、抠取框的长度的参数探索范围以及抠取框的宽度的参数探索范围。
可选的,本发明实施例可以通过判断区域的中心位置和/或抠取面积是否位于参数探索范围内,确定该区域是否位于参数探索范围内。本发明实施例提供的目标识别模型所使用的超参数对应的抠取区域的中心位置均可以位于参数探索范围内。可以理解的是,性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集的中心位置可能位于参数探索范围内,也可能位于参数探索范围外。本发明实施例可以在当该区域交集的中心位置位于参数探索范围内时,直接将满足第二预设条件的目标识别模型所使用的超参数修改为该区域交集对应的超参数。本发明实施例通过设置参数探索范围,可以避免无目的进行超参数探索,有效地提高了超参数探索的效率。
可以理解的是,当该区域交集位于参数探索范围外时,由于该区域交集对应的超参数在其他目标识别模型中并未进行过探索,因此,将满足第二预设条件的目标识别模型所使用的超参数直接修改为该区域交集对应的超参数将失去探索意义。综上原因,本发明实施例在该区域交集位于参数探索范围外时,不将满足第二预设条件的目标识别模型所使用的超参数直接修改为该区域交集对应的超参数。
可选的,具体的,基于图3所示的方法,如图5所示,本发明实施例提供的另一种超参数优化方法,步骤S310可以包括:
S312、当所述区域交集位于所述超参数的参数探索范围内且所述区域交集满足抠取区域的形状要求时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数。
在实际应用场景中,在通常情况下抠取区域需要具有固定的形状。例如:正方形。因此,本发明实施例可以在预先设置超参数的参数探索范围之外,预先设置抠取区域的形状要求。本发明实施例可以在当该区域交集的中心位置位于参数探索范围内之后,确定该区域交集的形状是否满足该形状要求,如果满足,则将满足第二预设条件的目标识别模型所使用的超参数修改为该区域交集对应的超参数。本发明实施例通过形状要求的设置,使得探索的超参数更符合实际应用场景的使用。
可选的,基于图1所示的方法,如图6所示,本发明实施例提供的另一种超参数优化方法,步骤S300可以包括:
S320、确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
可选的,本发明实施例可以在比该满足第二预设条件的目标识别模型的性能高的其他目标识别模型所使用的超参数对应的抠取区域中,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
为了便于理解,此处通过举例进行说明:按照性能高低依次为:目标识别模型A、目标识别模型B、目标识别模型C、目标识别模型D以及目标识别模型E,其中,目标识别模型A和目标识别模型B满足第一预设条件,目标识别模型C、目标识别模型D以及目标识别模型E满足第二预设条件。本发明实施例可以在目标识别模型A、目标识别模型B、目标识别模型C以及目标识别模型D所使用的超参数对应的抠取区域中,确定与该区域交集的交并比最大的抠取区域,将目标识别模型E所使用的超参数修改为交并比最大的抠取区域对应的超参数。
可选的,基于图6所示的方法,如图7所示,本发明实施例提供的另一种超参数优化方法,步骤S320可以包括:
S321、在性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域中,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
为了便于理解,此处通过举例进行说明:目标识别模型F、目标识别模型G以及目标识别模型H满足第一预设条件,目标识别模型I满足第二预设条件。本发明实施例可以在目标识别模型F、目标识别模型G以及目标识别模型H所使用的超参数对应的抠取区域中,确定与该区域交集的交并比最大的抠取区域,将目标识别模型I所使用的超参数修改为交并比最大的抠取区域对应的超参数。本发明实施例通过在满足第一预设条件的至少两个目标识别模型中选择与区域交集的交并比最大的抠取区域的目标识别模型的超参数,对满足第二预设条件的目标识别模型所使用的超参数进行修改,使得满足第二预设条件的目标识别模型后续可以对修改后的超参数进行探索。本发明实施例通过将优秀的目标识别模型探索出的超参数放入次差的目标识别模型中,可以继续对超参数进行探索,可以逐步探索出满足实际应用场景使用的超参数。
S400、基于性能满足所述第一预设条件的目标识别模型的模型参数,修改性能满足所述第二预设条件的目标识别模型的模型参数。
其中,模型参数与超参数不同。模型参数可以是目标识别模型内部的配置变量。可选的,当目标识别模型为神经网络模型时,目标识别模型的模型参数可以为神经网络模型中各神经元的连接权重。
可选的,本发明可以将性能满足所述第二预设条件的目标识别模型的模型参数修改为:性能满足所述第一预设条件的目标识别模型的模型参数。
可选的,本发明实施例可以在性能满足所述第一预设条件的目标识别模型中选择性能排序最高的目标识别模型的模型参数,修改性能满足第二预设条件的目标识别模型的模型参数。可选的,本发明实施例也可以在性能满足所述第一预设条件的目标识别模型中随机选择一个目标识别模型的模型参数,修改性能满足第二预设条件的目标识别模型的模型参数。可选的,本发明实施例还可以在性能满足所述第一预设条件的目标识别模型中选择与区域交集的交并比最大的抠取区域的目标识别模型的模型参数,修改性能满足第二预设条件的目标识别模型的模型参数。
S500、继续基于所述训练图像集对各所述目标识别模型的超参数进行探索,直至得到满足预设要求的超参数。
预设要求可以是能够满足实际应用场景使用。在本发明实施例中,预设要求可以根据实际应用场景进行设置,本发明实施例在此不作进一步地限定。例如:上述预设要求可以为:使用满足该预设要求的超参数的目标识别模型的性能满足第五预设条件,其中,第五预设条件可以为:性能最优或性能不低于预设阈值。
本发明实施例提供的一种超参数优化方法,可以通过使用训练图像集对目标识别模型进行超参数探索以及使用验证图像集确定目标识别模型的性能,根据性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,修改性能满足第二预设条件的目标识别模型所使用的超参数,以及根据性能满足第一预设条件的目标识别模型的模型参数,修改性能满足第二预设条件的目标识别模型的模型参数,使得满足第二预设条件的目标识别模型可以使用在满足第一预设条件的目标识别模型的超参数和模型参数下继续进行超参数探索,进而获得满足预设要求的超参数。
可选的,基于图1所示的方法,如图8所示,本发明实施例提供的另一种超参数优化方法,所述方法还包括:
S10、基于性能满足第三预设条件的目标识别模型的超参数,修改性能满足第四预设条件的目标识别模型的超参数,其中,所述性能满足第三预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能。
可选的,第三预设条件可以与第一预设条件相同,也可以不同。可选的,第三预设条件可以为性能在多个目标识别模型的性能排序中位于预设第三序位。可选的,预设第三序位可以为第1。可选的,性能满足第三预设条件的目标识别模型的性能不低于性能满足第一预设条件的目标识别模型的性能,即性能满足第三预设条件的目标识别模型也满足第一预设条件。优选的,性能满足第三预设条件的目标识别模型可以是在性能满足第一预设条件的目标识别模型中性能最好的目标识别模型。在本发明实施例中,性能满足第三预设条件的目标识别模型可以认为是最优的目标识别模型。
可选的,性能满足第二预设条件的目标识别模型的性能高于性能满足第四预设条件的目标识别模型的性能。可选的,第四预设条件可以为性能在多个目标识别模型的性能排序中位于预设第四序位。可选的,预设第四序位可以为倒数第1。可选的,性能满足第四预设条件的目标识别模型的性能在该多个目标识别模型的性能中最差。在本发明实施例中,性能满足第四预设条件的目标识别模型可以认为是最差的目标识别模型。
可选的,本发明实施例可以将性能满足第四预设条件的目标识别模型的超参数修改为性能满足第三预设条件的目标识别模型的超参数。
S20、基于性能满足所述第三预设条件的目标识别模型的模型参数,修改性能满足所述第四预设条件的目标识别模型的模型参数。
可选的,本发明实施例可以将性能满足第四预设条件的目标识别模型的模型参数修改为性能满足第三预设条件的目标识别模型的模型参数。由于性能最差的目标识别模型的超参数和模型参数可以认为基本丧失了继续探索得到满足预设要求的超参数的作用,因此本发明实施例通过将性能最优的目标识别模型的超参数和模型参数修改性能最差的目标识别模型的超参数和模型参数,使得满足第四预设条件的目标识别模型在满足第三预设条件的目标识别模型的超参数和模型参数下进行超参数探索。
需要注意的是,尽管满足第四预设条件的目标识别模型的超参数和模型参数与满足第三预设条件的目标识别模型相同,但在进一步的超参数探索中由于随机扰动因子的存在,这两个目标识别模型最终的探索结果可能不相同。
可以理解的是,步骤S10和步骤S20可以在步骤S500之前执行,图8仅为多种执行顺序中可选的一种执行顺序。
本发明实施例提供的一种目标识别模型训练方法,可以包括:基于训练图像集对目标识别模型进行训练,其中,所述目标识别模型的超参数为根据上述任一项的超参数优化方法确定的满足预设要求的超参数。
其中,训练图像集中可以包括标注有目标特征的图像。本发明实施例可以使用上述任一项的超参数优化方法确定的满足预设要求的超参数对应的抠取区域,在标注有目标特征的图像上获得抠取区域中的图像特征,进而对该图像特征进行机器训练,获得目标识别模型。该目标识别模型的输入为待识别图像,该目标识别模型的输出为识别结果。本发明实施例基于满足预设要求的超参数对目标识别模型进行训练,可以获得满足实际应用场景使用要求的目标识别模型。
在对目标识别模型进行训练的过程中,本发明可以通过测试图像集对训练后的目标识别模型进行测试,以得到满足预设要求的目标识别模型。
本发明实施例提供的一种目标识别方法,可以包括:将待识别图像输入使用上述训练得到的所述目标识别模型中,获得所述目标识别模型输出的识别结果。
其中,识别结果可以是识别目标的图像特征的结果,例如:确定图像中包含的人脸对应的用户。可选的,待识别图像可以为通过预设图像矫正参数矫正过的图像。
为了便于理解,此处通过结合具体的应用场景进行示意说明:本发明实施例可以使用目标识别模型识别出员工的人脸图像特征,将每个员工的员工信息与各自的人脸图像特征进行关联并存储至数据库中,在使用过程中,将员工的待识别人脸图像输入至目标识别模型中,目标识别模型识别出员工的人脸图像特征之后,在该数据库中查找与该人脸图像特征的员工信息,将该员工信息作为识别结果输出。本发明实施例通过目标识别模型对图像进行识别并输出识别结果,可以应用在目标识别、目标跟踪等广泛领域中。
与上述超参数优化方法实施例相对应,本发明还提供了一种超参数优化装置。如图9所示,该装置可以包括:
探索单元100,用于基于训练图像集对多个目标识别模型的至少部分超参数进行探索,并基于验证图像集确定使用所述超参数的所述多个目标识别模型的性能,其中,所述超参数包括抠取目标的图像的抠取区域的区域参数;
交集确定单元200,用于确定性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,其中,所述性能满足第一预设条件的目标识别模型的性能高于所述性能满足第二预设条件的目标识别模型的性能;
超参数修改单元300,用于根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数;
模型参数修改单元400,用于基于性能满足所述第一预设条件的目标识别模型的模型参数,修改性能满足所述第二预设条件的目标识别模型的模型参数;
探索控制单元500,用于控制所述探索单元100继续基于所述训练图像集对各所述目标识别模型的超参数进行探索,直至得到满足预设要求的超参数。
可选的,超参数修改单元300可以具体用于:将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数;
或,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
可选的,超参数修改单元300将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数,具体设置为:
当所述区域交集位于所述超参数的参数探索范围内时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数;
或,当所述区域交集位于所述超参数的参数探索范围内且所述区域交集满足抠取区域的形状要求时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数。
可选的,超参数修改单元300确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数,具体设置为:
在性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域中,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
可选的,所述训练图像集中的图像和所述验证图像集中的图像均为通过预设图像矫正参数矫正过的图像。
可选的,所述区域参数为从所述矫正过的图像中所述抠取目标的图像的抠取框的位置参数和尺寸参数。
可选的,图9所示装置还可以包括:
第一修改单元,用于基于性能满足第三预设条件的目标识别模型的超参数,修改性能满足第四预设条件的目标识别模型的超参数,其中,所述性能满足第三预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能;
第二修改单元,用于基于性能满足所述第三预设条件的目标识别模型的模型参数,修改性能满足所述第四预设条件的目标识别模型的模型参数。
可选的,所述性能满足第二预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能。
与本发明实施例提供的一种目标识别模型训练方法相对应,本发明还提供了一种目标识别模型训练装置,可以包括:
模型训练单元,用于基于训练图像集对目标识别模型进行训练,其中,所述目标识别模型的超参数为本发明实施例提供的超参数优化装置确定的满足预设要求的超参数。
与本发明实施例提供的一种目标识别方法相对应,本发明还提供了一种目标识别装置,可以包括:
识别单元,用于将待识别图像输入使用本发明实施例提供的目标识别模型训练装置训练得到的所述目标识别模型中,获得所述目标识别模型输出的识别结果。
所述超参数优化装置包括处理器和存储器,上述探索单元、交集确定单元、超参数修改单元、模型参数修改单元和探索控制单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
所述目标识别模型训练装置包括处理器和存储器,上述模型训练单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
所述目标识别装置包括处理器和存储器,上述识别单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来进行超参数优化、对目标识别模型进行训练或对目标进行识别。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述超参数优化方法。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述目标识别模型训练方法。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述目标识别方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述超参数优化方法、所述目标识别模型训练方法、所述目标识别方法中的任一种方法。
本发明实施例提供了一种设备,设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行上述的超参数优化方法、目标识别模型训练方法、目标识别方法中的任一种方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有所述超参数优化方法、所述目标识别模型训练方法、所述目标识别方法中的任一种方法的步骤的程序。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种超参数优化方法,其特征在于,包括:
基于训练图像集对多个目标识别模型的至少部分超参数进行探索,并基于验证图像集确定使用所述超参数的所述多个目标识别模型的性能,其中,所述超参数包括抠取目标的图像的抠取区域的区域参数;
确定性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,其中,所述性能满足第一预设条件的目标识别模型的性能高于所述性能满足第二预设条件的目标识别模型的性能;
根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数;
基于性能满足所述第一预设条件的目标识别模型的模型参数,修改性能满足所述第二预设条件的目标识别模型的模型参数;
继续基于所述训练图像集对各所述目标识别模型的超参数进行探索,直至得到满足预设要求的超参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数,包括:
将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数;
或,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
3.根据权利要求2所述的方法,其特征在于,所述将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数,包括:
当所述区域交集位于所述超参数的参数探索范围内时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数;
或,当所述区域交集位于所述超参数的参数探索范围内且所述区域交集满足抠取区域的形状要求时,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述区域交集对应的超参数。
4.根据权利要求2所述的方法,其特征在于,所述确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数,包括:
在性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域中,确定与所述区域交集的交并比最大的抠取区域,将满足第二预设条件的目标识别模型所使用的所述超参数修改为所述交并比最大的抠取区域对应的超参数。
5.根据权利要求1所述的方法,其特征在于,所述训练图像集中的图像和所述验证图像集中的图像均为通过预设图像矫正参数矫正过的图像。
6.根据权利要求5所述的方法,其特征在于,所述区域参数为从所述矫正过的图像中所述抠取目标的图像的抠取框的位置参数和尺寸参数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于性能满足第三预设条件的目标识别模型的超参数,修改性能满足第四预设条件的目标识别模型的超参数,其中,所述性能满足第三预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能;
基于性能满足所述第三预设条件的目标识别模型的模型参数,修改性能满足所述第四预设条件的目标识别模型的模型参数。
8.根据权利要求7所述的方法,其特征在于,所述性能满足第二预设条件的目标识别模型的性能高于所述性能满足第四预设条件的目标识别模型的性能。
9.一种目标识别模型训练方法,其特征在于,包括:
基于训练图像集对目标识别模型进行训练,其中,所述目标识别模型的超参数为根据权利要求1至8中任一项所述的超参数优化方法确定的满足预设要求的超参数。
10.一种目标识别方法,其特征在于,包括:
将待识别图像输入使用权利要求9所述的目标识别模型训练方法训练得到的所述目标识别模型中,获得所述目标识别模型输出的识别结果。
11.一种超参数优化装置,其特征在于,包括:
探索单元,用于基于训练图像集对多个目标识别模型的至少部分超参数进行探索,并基于验证图像集确定使用所述超参数的所述多个目标识别模型的性能,其中,所述超参数包括抠取目标的图像的抠取区域的区域参数;
交集确定单元,用于确定性能满足第一预设条件的至少两个目标识别模型所使用的超参数对应的抠取区域的区域交集,其中,所述性能满足第一预设条件的目标识别模型的性能高于所述性能满足第二预设条件的目标识别模型的性能;
超参数修改单元,用于根据所述区域交集修改性能满足第二预设条件的目标识别模型所使用的所述超参数;
模型参数修改单元,用于基于性能满足所述第一预设条件的目标识别模型的模型参数,修改性能满足所述第二预设条件的目标识别模型的模型参数;
探索控制单元,用于控制所述探索单元继续基于所述训练图像集对各所述目标识别模型的超参数进行探索,直至得到满足预设要求的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238928.5A CN112232294B (zh) | 2020-11-09 | 2020-11-09 | 一种超参数优化、目标识别模型训练、目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238928.5A CN112232294B (zh) | 2020-11-09 | 2020-11-09 | 一种超参数优化、目标识别模型训练、目标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232294A true CN112232294A (zh) | 2021-01-15 |
CN112232294B CN112232294B (zh) | 2023-10-13 |
Family
ID=74121574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238928.5A Active CN112232294B (zh) | 2020-11-09 | 2020-11-09 | 一种超参数优化、目标识别模型训练、目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232294B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861689A (zh) * | 2021-02-01 | 2021-05-28 | 上海依图网络科技有限公司 | 一种基于nas技术的坐标识别模型的搜索方法及装置 |
CN113780575A (zh) * | 2021-08-30 | 2021-12-10 | 征图智能科技(江苏)有限公司 | 一种渐进式的深度学习模型的超参数寻优方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220755A1 (en) * | 2018-01-18 | 2019-07-18 | Google Llc | Systems and Methods for Improved Adversarial Training of Machine-Learned Models |
CN110222780A (zh) * | 2019-06-12 | 2019-09-10 | 北京百度网讯科技有限公司 | 物体检测方法、装置、设备和存储介质 |
CN110443126A (zh) * | 2019-06-27 | 2019-11-12 | 平安科技(深圳)有限公司 | 模型超参数调整控制方法、装置、计算机设备及存储介质 |
CN110956079A (zh) * | 2019-10-12 | 2020-04-03 | 深圳壹账通智能科技有限公司 | 人脸识别模型构建方法、装置、计算机设备和存储介质 |
-
2020
- 2020-11-09 CN CN202011238928.5A patent/CN112232294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220755A1 (en) * | 2018-01-18 | 2019-07-18 | Google Llc | Systems and Methods for Improved Adversarial Training of Machine-Learned Models |
CN110222780A (zh) * | 2019-06-12 | 2019-09-10 | 北京百度网讯科技有限公司 | 物体检测方法、装置、设备和存储介质 |
CN110443126A (zh) * | 2019-06-27 | 2019-11-12 | 平安科技(深圳)有限公司 | 模型超参数调整控制方法、装置、计算机设备及存储介质 |
CN110956079A (zh) * | 2019-10-12 | 2020-04-03 | 深圳壹账通智能科技有限公司 | 人脸识别模型构建方法、装置、计算机设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861689A (zh) * | 2021-02-01 | 2021-05-28 | 上海依图网络科技有限公司 | 一种基于nas技术的坐标识别模型的搜索方法及装置 |
CN113780575A (zh) * | 2021-08-30 | 2021-12-10 | 征图智能科技(江苏)有限公司 | 一种渐进式的深度学习模型的超参数寻优方法 |
CN113780575B (zh) * | 2021-08-30 | 2024-02-20 | 征图智能科技(江苏)有限公司 | 一种基于渐进式的深度学习模型的视觉分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232294B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488012B2 (en) | Training of deep neural networks on the basis of distributions of paired similarity measures | |
CN107609459B (zh) | 一种基于深度学习的人脸识别方法及装置 | |
CN110263659B (zh) | 一种基于三元组损失和轻量级网络的指静脉识别方法及系统 | |
WO2021174819A1 (zh) | 人脸遮挡检测方法及系统 | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
CN103455794B (zh) | 一种基于帧融合技术的动态手势识别方法 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN110120065B (zh) | 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统 | |
CN110705478A (zh) | 人脸跟踪方法、装置、设备及存储介质 | |
CN113538574B (zh) | 位姿定位方法、装置、设备及计算机可读存储介质 | |
CN112232294A (zh) | 一种超参数优化、目标识别模型训练、目标识别方法及装置 | |
CN102799888A (zh) | 人眼检测方法和人眼检测设备 | |
CN105046278B (zh) | 基于Haar特征的Adaboost检测算法的优化方法 | |
Olague et al. | Evolving head tracking routines with brain programming | |
US20210117648A1 (en) | 3-dimensional model identification | |
Kim et al. | Real-time facial feature extraction scheme using cascaded networks | |
CN116884045A (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
Dalara et al. | Entity Recognition in Indian Sculpture using CLAHE and machine learning | |
CN112232296A (zh) | 一种超参数探索方法及装置 | |
CN111881732A (zh) | 一种基于svm的人脸质量评价方法 | |
CN110264562A (zh) | 颅骨模型特征点自动标定方法 | |
Yu et al. | Construction of garden landscape design system based on multimodal intelligent computing and deep neural network | |
CN105740848B (zh) | 一种基于可信度的快速人眼定位方法 | |
CN109002811A (zh) | 一种静态手势的识别方法及装置 | |
CN117218613B (zh) | 一种车辆抓拍识别系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |